在這篇文章中，我們將提供一些使用OpenCV的示例。

在OpenCV中混合圖像我們將提供一個(gè)逐步的示例，說(shuō)明如何使用Python OpenCV混合圖像。下面我們展示了目標(biāo)圖像和濾鏡圖像。

目標(biāo)圖像

濾鏡圖像

import cv2

＃ Two images
img1 ＝ cv2．imread（＇target．jpg＇）
img2 ＝ cv2．imread（＇filter．png＇）

＃ OpenCV expects to get BGR images， so we will convert from BGR to RGB

img1 ＝ cv2．cvtColor（img1， cv2．COLOR＿BGR2RGB）
img2 ＝ cv2．cvtColor（img2， cv2．COLOR＿BGR2RGB）

＃ Resize the Images． In order to blend them， the two images
＃ must be of the same shape

img1 ＝cv2．resize（img1，（620，350））
img2 ＝cv2．resize（img2，（620，350））


＃ Now， we can blend them， we need to define the weight （alpha） of the target image
＃ as well as the weight of the filter image
＃ in our case we choose 80％ target and 20％ filter
blended ＝ cv2．a(chǎn)ddWeighted（src1＝img1，alpha＝0．8，src2＝img2，beta＝0．2，gamma＝0）

＃ finally we can save the image． Now we need to convert it from RGB to BGR

cv2．imwrite（＇Blending．png＇，cv2．cvtColor（blended， cv2．COLOR＿RGB2BGR））

在OpenCV中處理圖像我們將展示如何使用Python中的OpenCV應(yīng)用圖像處理。

如何模糊影像import cv2
import numpy as np
import matplotlib．pyplot as plt
％matplotlib inline

img ＝ cv2．imread（＇panda．jpeg＇）
img ＝ cv2．cvtColor（img， cv2．COLOR＿BGR2RGB）
blurred＿img ＝ cv2．blur（img，ksize＝（20，20））
cv2．imwrite（＂blurredpanda．jpg＂， blurred＿img）

如何申請(qǐng)Sobel Operator你可以在Wikipedia上查看Sobel Operator：https：／／en．wikipedia．org／wiki／Sobel＿operator也可以開(kāi)始嘗試一些過(guò)濾器。讓我們應(yīng)用水平和垂直Sobel。img ＝ cv2．imread（＇panda．jpeg＇，0）
sobelx ＝ cv2．Sobel（img，cv2．CV＿64F，1，0，ksize＝5）
sobely ＝ cv2．Sobel（img，cv2．CV＿64F，0，1，ksize＝5）

cv2．imwrite（＂sobelx＿panda．jpg＂， sobelx）
cv2．imwrite（＂sobely＿panda．jpg＂， sobely）

如何對(duì)圖像應(yīng)用閾值我們還可以對(duì)圖像進(jìn)行二值化。img ＝ cv2．imread（＇panda．jpeg＇，0）
ret，th1 ＝ cv2．threshold（img，100，255，cv2．THRESH＿BINARY）
fig ＝ plt．figure（figsize＝（12，10））
plt．imshow（th1，cmap＝＇gray＇）

OpenCV中的人臉檢測(cè)我們將討論如何使用OpenCV應(yīng)用人臉檢測(cè)。我們通過(guò)一個(gè)實(shí)際的可重現(xiàn)的示例來(lái)直截了當(dāng)。邏輯如下：我們從URL（或從硬盤(pán)）獲取圖像。我們將其轉(zhuǎn)換為numpy array，然后轉(zhuǎn)換為灰度。然后通過(guò)應(yīng)用適當(dāng)?shù)模�＊CascadeClassifier，＊＊我們獲得了人臉的邊界框。最后，使用PIllow（甚至是OpenCV），我們可以在初始圖像上繪制框。import cv2 as cv
import numpy as np
import PIL
from PIL import Image
import requests
from io import BytesIO
from PIL import ImageDraw


＃ I have commented out the cat and eye cascade． Notice that the xml files are in the opencv folder that you have downloaded and installed
＃ so it is good a idea to write the whole path
face＿cascade ＝ cv．CascadeClassifier（＇C：＼opencv＼build＼etc＼haarcascades＼haarcascade＿frontalface＿default．xml＇）
＃cat＿cascade ＝ cv．CascadeClassifier（＇C：＼opencv＼build＼etc＼haarcascades＼haarcascade＿frontalcatface．xml＇）
＃eye＿cascade ＝ cv．CascadeClassifier（＇C：＼opencv＼build＼etc＼haarcascades＼haarcascade＿eye．xml＇）


URL ＝ ＂https：／／images．unsplash．com／photo－1525267219888－bb077b8792cc？ixlib＝rb－1．2．1＆ixid＝eyJhcHBfaWQiOjEyMDd9＆auto＝format＆fit＝crop＆w＝1050＆q＝80＂
response ＝ requests．get（URL）
img ＝ Image．open（BytesIO（response．content））
img＿initial ＝ img．copy（）

＃ convert it to np array
img ＝ np．a(chǎn)sarray（img）

gray ＝ cv．cvtColor（img， cv．COLOR＿BGR2GRAY）

faces ＝ face＿cascade．detectMultiScale（gray）
＃ And lets just print those faces out to the screen
＃print（faces）

drawing＝ImageDraw．Draw（img＿initial）

＃ For each item in faces， lets surround it with a red box
for x，y，w，h in faces：
   ＃ That might be new syntax for you！ Recall that faces is a list of rectangles in （x，y，w，h）
   ＃ format， that is， a list of lists． Instead of having to do an iteration and then manually
   ＃ pull out each item， we can use tuple unpacking to pull out individual items in the sublist
   ＃ directly to variables． A really nice python feature
   ＃
   ＃ Now we just need to draw our box
   drawing．rectangle（（x，y，x＋w，y＋h）， outline＝＂red＂）
display（img＿initial）
最初的圖像是這樣的：

然后在繪制邊界框后，我們得到：

如我們所見(jiàn)，我們?cè)O(shè)法正確地獲得了四個(gè)面，但是我們還發(fā)現(xiàn)了窗后的“鬼”……裁剪臉部以分離圖像我們還可以裁剪臉部以分離圖像for x，y，w，h in faces：

   img＿initial．crop（（x，y，x＋w，y＋h））
   display（img＿initial．crop（（x，y，x＋w，y＋h）））
例如，我們得到的第一張臉是：

注意：如果你想從硬盤(pán)讀取圖像，則只需鍵入以下三行：＃ read image from the PC
initial＿img＝Image．open（＇my＿image．jpg＇）
img ＝ cv．imread（＇my＿image．jpg＇）
gray ＝ cv．cvtColor（img， cv．COLOR＿BGR2GRAY）
OpenCV中的人臉檢測(cè)視頻這篇文章是一個(gè)實(shí)際示例，說(shuō)明了我們?nèi)绾螌�OpenCV］與Python結(jié)合使用來(lái)檢測(cè)視頻中的人臉。在上一篇文章中，我們解釋了如何在Tensorflow中應(yīng)用對(duì)象檢測(cè)和OpenCV中的人臉檢測(cè)。通常，計(jì)算機(jī)視覺(jué)和對(duì)象檢測(cè)是人工智能中的熱門話題。例如考慮自動(dòng)駕駛汽車，該自動(dòng)駕駛汽車必須連續(xù)檢測(cè)周圍的許多不同物體（行人，其他車輛，標(biāo)志等）。如何錄制人臉檢測(cè)視頻在以下示例中，我們將USB攝像頭應(yīng)用到人臉檢測(cè)，然后將視頻寫(xiě)入．mp4文件。如你所見(jiàn)，OpenCV能夠檢測(cè)到面部，并且當(dāng)它隱藏在手后時(shí)，OpenCV會(huì)丟失它。import cv2
＃ change your path to the one where the haarcascades／haarcascade＿frontalface＿default．xml is
face＿cascade ＝ cv2．CascadeClassifier（＇．．／DATA／haarcascades／haarcascade＿frontalface＿default．xml＇）

cap ＝ cv2．VideoCapture（0）

width ＝ int（cap．get（cv2．CAP＿PROP＿FRAME＿WIDTH））
height ＝ int（cap．get（cv2．CAP＿PROP＿FRAME＿HEIGHT））

＃ MACOS AND LINUX： ＊＇XVID＇ （MacOS users may want to try VIDX as well just in case）
＃ WINDOWS ＊＇VIDX＇
writer ＝ cv2．VideoWriter（＇myface．mp4＇， cv2．VideoWriter＿fourcc（＊＇XVID＇），25， （width， height））


while True：
   
   ret， frame ＝ cap．read（0）
     
   frame ＝ detect＿face（frame）
   writer．write（frame）
 
   cv2．imshow（＇Video Face Detection＇， frame）
   ＃ escape button to close it
   c ＝ cv2．waitKey（1）
   if c ＝＝ 27：
       break
       
cap．release（）
writer．release（）
cv2．destroyAllWindows（）
計(jì)算機(jī)視覺(jué)代碼的輸出只需幾行代碼即可通過(guò)動(dòng)態(tài)人臉檢測(cè)錄制該視頻。如果你運(yùn)行上面的代碼塊，你將獲得類似的視頻。